一种基于支持向量机的结构损伤识别方法

提出了结合随机振动响应互相关函数、小波包分解和支持向量机(support vector machine,SVM)的结构损伤识别方法,计算了相邻测点响应的互相关函数幅值.采用小波包对得到的幅值进行分解,得到各个频带上的总能量;利用各频带上能量值存在的差异性作为输入到分类器的特征向量,训练SVM模型并对结构的损伤进行识别.应用该方法对Benchmark模型结构进行损伤判别,实验通过对比其他基于SVM的方法,结果表明该方法具有较好的识别精度.     

基于小波和神经网络的石油井架损伤定位研究

针对石油井架单一损伤位置识别问题,结合小波和神经网络分析方法,建立两层BP神经网络,将小波包能量分析得到的归一化能量特征向量作为网络的输入向量,经过网络训练和仿真测试,证明其在识别单一损伤位置时,具有较好的实用性.同时对石油井架相似模型进行了锤击振动试验,说明基于归一化能量特征向量的损伤评价指标可以准确实现石油井架结构损伤位置的定位识别.     

基于压电陶瓷的PVA-ECC混凝土柱裂缝损伤监测

目的基于压电陶瓷传感器对聚乙烯醇纤维增强水泥基复合材料(PVA-ECC)进行裂缝损伤识别研究,以指导实际工程.方法在实验室浇筑7个PVA-ECC混凝土柱,分别设置了不同深度的人工裂缝损伤,采用基于压电陶瓷的波动分析法对其进行损伤识别,计算监测信号的小波包能量、功率谱密度以及基于小波包变换的损伤指标.结果随着裂缝深度的增大,小波包能量和功率谱密度均随之减小,且小波包能量与裂缝深度之间存在线性关系,基于小波包变换的损伤指标对损伤程度敏感性较好.结论该监测方法能有效识别PVA-ECC混凝土柱人工模拟的裂缝损伤,研究结果可为PVA-ECC混凝土柱的健康监测提供参考.     

基于小波包能量曲率的环境激励下简支梁损伤识别方法

为了识别环境激励下简支梁的损伤时刻及损伤位置,提出一种基于小波包能量的简支梁损伤识别方法.首先采用小波包技术处理环境激励下健康状态和未知状态的简支梁位移响应时程数据,获得其小波包能量;然后根据各子频带的能量占比筛选出最优频带,并进行归一化处理得到能量曲率;最后以健康状态下的小波包能量曲率计算的损伤识别指标作为参考,对比未知状态下简支梁的损伤识别指标,获得结构中的单点或多点损伤状况,包括损伤时刻、损伤位置和相对损伤程度.简支梁数值模拟结果表明,该方法在信噪比≥40 dB条件下可以准确识别结构的损伤状况.     

损伤识别系统中小波包信号特征量的提取

基于结构损伤识别系统,构建了耦合神经网络模型,阐述了小波包分析技术的原理和方法,对小波基的选取原则进行了分析和探讨,确定了小波基函数DbN中的N以及小波包分解尺度j;从模式识别的观点对结构损伤识别进行了分析,分析了小波包信号能量特征提取的方法。利用小波包多分辨率的特点,提出了以小波包信号成分能量特征向量为结构损伤识别的损伤特征指标,并在实验中得到了良好的识别效果。     

基于小波包能量谱的大跨斜拉桥拉索损伤预警方法

为了实现对大跨斜拉桥拉索损伤的有效预警,将小波包分析应用于结构损伤预警中.在基于小波包能量谱的结构损伤预警理论的基础上,提出了大跨斜拉桥拉索损伤的预警方法,并以润扬大桥斜拉桥为例,研究了这种方法的损伤适用性和损伤敏感性.数值分析结果表明,与频率等动力参数相比,采用基于小波包能量谱的结构损伤预警指标能更有效地发现大跨斜拉桥拉索的早期损伤,且通过对多测点损伤预警指标的分析与比较能初步实现拉索的损伤定位.可见,该结构损伤预警方法具有实用性,对结构损伤定位亦有帮助.     

基于能量特征的小波概率神经网络损伤识别方法

以小波能量特征向量作为概率神经网络(PNN)的输入向量集,提出了小波概率神经网络(WPNN)的损伤识别方法．为了验证该方法的有效性,对钢框架进行了损伤识别研究,并考虑了随机噪声的影响．识别结果表明：WPNN抗噪声能力强,识别精度高,在结构损伤识别与在线检测方面具有潜力。     

基于小波包频带内局部样本熵的桥梁损伤识别

针对移动荷载激励下桥梁结构在损伤区域局部时程信号的非平稳性和复杂性,以及考虑到有限的采样数据、噪声等影响,提出了小波包频带内局部样本熵的概念,以此来定义一个损伤识别指标。首先对单测点时程数据进行小波包分解,以各频带能量为标准选择合适频带系数重构,然后对该重构信号划分成一系列具有时序性的局部时间区间,最后计算各区间的样本熵来作为损伤识别指标。以一弯梁桥为例建立有限元模型,验证方法的正确性,并针对多损伤、测点选择及加载速度等相关因素进行分析。结果表明:当移动荷载在损伤区域附近时,该指标出现突变,适合损伤识别,同样适用于多损伤识别;该方法需要的测点少,布置较灵活;由于弯桥的结构特点,测点位置的选择不会影响指标的定位,但会影响损伤指标的大小。     

基于卷积神经网络和递归图的桥梁损伤智能识别

为改进目前传统损伤识别方法对桥梁局部小损伤识别能力较弱的不足,提出利用深度学习方法中的卷积神经网络对桥梁损伤进行统计模式识别.根据卷积神经网络对损伤特征向量的需求,将车桥耦合振动下的原始结构响应信号进行小波包滤波和重构,之后通过递归分析获取不同损伤工况的递归图,将其作为新型的损伤特征图像作为卷积神经网络的输入.在此基础上提出基于卷积神经网络和递归图的桥梁结构损伤识别计算流程和方法.对一座连续梁桥进行不同位置和程度的损伤模拟,提取小波包频带能量及递归图等损伤特征向量,并进行基于多种统计模式识别算法的损伤识别.结果表明:与其他特征向量相比,递归图蕴含更丰富的损伤信息;与支持向量机和BP神经网络等传统统计模式识别方法相比,卷积神经网络能够通过逐层智能学习实现更准确的特征自动提取和区分,从而实现损伤位置和损伤程度的更精准识别.     

基于小波包能量谱及SVM算法的轴承故障检测

针对小波分析在故障诊断时的局限性,将小波分析和支持向量机算法相结合,提出基于小波包能量谱及支持向量机算法(SVM)的故障检测方法.该方法以振动信号小波包分解后各子频带的能量作为故障检测特征,利用SVM算法对轴承故障进行检测实验.结果表明:小波包能量谱能有效地反映轴承信号特征,并对故障进行检测.该方法同基于Lipschitz指数熵、单奇异点检测,以及小波包能量谱与神经网络相结合的故障检测方法进行比较,检测率均优于其他三种常用方法.     

奇异值分解在电缆局部放电信号模式识别中的应用

针对局部放电在线检测中的局部放电信号模式识别,在对局部放电信号进行去噪预处理的基础上,对去噪后的局部放电信号进行小波包分解,利用小波包系数构建小波包系数矩阵;然后,对小波包系数矩阵进行奇异值分解,定义奇异值能量百分比作为局部放电信号的特征向量,并利用M-ary算法将支持向量机二分类扩展到多分类,使用粒子群算法对支持向量机参数进行优化;最后,将特征向量作为输入,使用支持向量机对4种放电信号进行识别,并与BP神经网络的识别效果进行对比.结果表明:利用奇异值能量百分比构建的放电信号特征向量能够很好反映原始信号的特征;基于支持向量机能够有效对放电信号进行识别,平均识别率达到95%,随着分解尺度增大,4种放电信号的平均识别率增大,但增大的幅度减小;支持向量机和BP神经网络均能够很好识别4种放电信号,且支持向量机相比BP神经网络,具有更好的识别效果.     

不同加载模式下GFRP管混凝土组合柱的损伤实时监测

基于压电陶瓷主动传感技术，对GFRP管混凝土组合柱(concrete filled GFRP tube, CFGT)进行损伤监测.制作2组预埋压电智能骨料(smart aggregate, SA)的GFRP管约束混凝土短柱试件，分别进行单调和往复轴压试验，监测其损伤情况.加载过程中采集实时信号，采用小波包能量法和基于均方根偏差的损伤评判指标(damage indicator, DI)等进行损伤评估，发现小波包能量随着荷载的增大明显衰减，而损伤评判指标随着荷载的增大而增大，且在损伤达到一定程度时趋于平稳；组合柱底的小波包能量均大于柱顶的；柱底混凝土晚于柱顶破环；往复加载下的混凝土破坏先于单调加载下的.结果表明，该监测方法能有效识别组合柱在受力时的实时损伤程度，且监测信号的幅值、小波包能量、损伤评判指标均在损伤过程中表现出较好的敏感性.该方法可为该类组合柱在施工、使用过程中的实时损伤研究提供参考.     

基于神经网络与特征融合的损伤诊断方法

为了能准确地诊断复杂结构损伤是否产生以及产生的位置和程度,提出了一种小波包分解、多传感器特征融合和神经网络模式分类相结合的结构损伤诊断方法。首先,用正交小波包对多个传感器采集的振动信号进行小波包分解,并计算每个频带上的相对能量;然后把这些传感器信号的小波包相对能量融合,构成神经网络分类器的输入特征向量,从而实现损伤的诊断和评价。研究结果表明:正交小波包分解的频带能量分布能够较好地反映结构的损伤特征;特征融合能够使不同传感器的信息相互补充,减小了损伤检测信息的不确定性,使诊断信息具有更高的精度和可靠性,提高了诊断准确率。     

面向结构损伤预警的小波包能量谱识别参数

对Benchmark钢框架结构试验数据和润扬大桥悬索桥监测数据进行了小波包能量谱损伤预警分析,在此基础上详细考察了不同小波函数和小波包分解层次的损伤预警效果.结果表明:Daubechies小波和Coiflets小波适用于结构损伤预警,并且实际工程中应采用较大的小波函数阶次以获取较好的时域分辨能力和损伤预警能力;小波包分...     

基于ABAQUS和小波包能量谱的钢桁架损伤预警

用大型结构有限元分析软件ABAQUS建立了钢桁架完好模型和损伤模型,并模拟结构受到瞬态激励的振动测试实验,得到了结构动力响应信号。利用小波包变换对完好结构信号和损伤结构信号分别进行了多尺度分解得到小波包能量谱,并在此基础上计算结构损伤预警指标。结果表明,小波包能量谱对结构损伤具有很好的损伤敏感性,验证了该方法的有效性且具有良好的工程实际应用价值。     

基于支持向量机的气液两相流流型识别新方法

为准确识别两相流型，提出了基于小波包多尺度信息熵和支持向量机的流型识别方法．利用小波包变换对采集到的水平管空气-水两相流压差波动信号进行3层小波包分解，得到8个不同频带的信号，提取各频带信号的小波包多尺度信息熵作为流型的特征向量，运用支持向量机进行训练并识别流型．结果表明：与BP神经网络相比，采用支持向量机进行流型识别可以获得更高的识别率，表明该方法是有效、可行的．     

基于小波包能量熵和GWO-SVM的滚动轴承故障诊断

针对滚动轴承不同故障类型和不同损伤程度识别准确率较低的问题,提出了将小波包能量熵、灰狼优化算法和支持向量机相结合的故障诊断方法.首先,将滚动轴承振动信号进行3层小波包分解,对第3层各频段小波包分解系数进行重构,提取各频段成分的能量熵构成故障特征向量;其次,利用灰狼优化算法实现支持向量机参数优化;最后,基于优化后的支持向量机分类模型完成对测试集滚动轴承不同故障类型和不同损伤程度特征向量的识别诊断.实验结果表明,相比实验和文献中其他方法,该方法对滚动轴承不同故障类型和不同损伤程度具有更加突出的故障辨识能力.     

基于小波包和Elman神经网络的异步电机转子断条故障诊断方法

提出了一种基于小波包分析(WPA)和Elman神经网络的异步电机转子断条故障诊断方法.针对异步电机转子断条故障时定子电流出现的边频分量进行小波包分析,提取动态条件下各频带能量作为故障特征向量,削弱了负载变化及噪声对诊断准确性的影响.采用Elman神经网络对故障进行识别,并对Elman网络进行改进,在关联层增加了自反馈增益因子,提高了网络性能.以频带能量作为Elman神经网络识别故障的特征向量,建立从特征向量到电机转子断条故障之间的映射.试验结果表明:基于小波包分析提取的故障特征明显,由WPA和Elman神经网络构成的诊断系统,能有效地识别出转子断条故障,故障诊断准确率高.     

基于小波包和径向基神经网络轴承故障诊断

针对滚动轴承故障精密诊断的需要,采用小波包分析方法提取了滚动轴承故障的特征信号.通过小波包分析将高频信号分解到8个频带中,以频带能量作为识别故障的特征向量.应用RBF径向基神经网络建立了从特征向量到故障模式之间的映射.现场采集的数据分析表明,采用小波包和神经网络相结合的方法可以比较准确地识别滚动轴承的故障.     

基于小波包总能量变化率的体外拉索损伤识别方法

针对体外预应力拉索的损伤识别问题,建立基于小波包能量谱的拉索损伤识别指标,传统的频域计算分析方法很难对拉索的这类损伤进行有效的识别,需要从时频域进行分析. 首先,设计针对体外索结构的拉索损伤识别实验,得到不同损伤程度、不同索力和不同索长的拉索动力响应信号,并得到频率、时域和能量域的特点;其次,从小波包分解的能量域展开分析,建立小波包总能量变化率指标RES;最后,建立基于RES的拉索损伤识别流程,并进行实桥损伤识别. 结果表明,提出的损伤指标对损伤程度有较强的敏感性,能够有效地识别出体外索损伤,能够应用于体外预应力加固桥梁结构的长期监测中.